CN110163872A - 一种hrmr图像分割与三维重建的方法及电子设备 - Google Patents

一种hrmr图像分割与三维重建的方法及电子设备 Download PDF

Info

Publication number
CN110163872A
CN110163872A CN201910396497.6A CN201910396497A CN110163872A CN 110163872 A CN110163872 A CN 110163872A CN 201910396497 A CN201910396497 A CN 201910396497A CN 110163872 A CN110163872 A CN 110163872A
Authority
CN
China
Prior art keywords
image
patch
formula
arteries
segmentation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910396497.6A
Other languages
English (en)
Inventor
严静
刘知贵
刘启榆
张活力
李理
张庆
梁建红
付聪
喻琼
张小乾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN201910396497.6A priority Critical patent/CN110163872A/zh
Publication of CN110163872A publication Critical patent/CN110163872A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例公开了一种HRMR图像分割与三维重建的方法及电子设备，用于定位的准确性以及分割结果的精准度。本申请实施例方法包括：获取待分割的颅内HRMR图像；提取粥样硬化斑块所在的感兴趣区域；对感兴趣区域进行降噪处理，得到降噪后的图像；对降噪后的图像进行图像边缘增强，得到边缘增强后的图像；对边缘增强后的图像进行斑块定位，得到斑块定位图像；对斑块定位图像进行斑块分割，得到斑块分割图像；对颅内HRMR图像进行动脉血管分割，得到动脉血管分割图像；将斑块分割图像和动脉血管分割图像进行融合，得到融合图像；根据斑块分割图像、动脉血管分割图像和融合图像，进行三维重建，得到三维重建后的图像。

Description

一种HRMR图像分割与三维重建的方法及电子设备
技术领域
本申请涉及医学图像处理领域，尤其涉及一种HRMR图像分割与三维重建的方法及电子设备。
背景技术
心脑血管疾病是人类三大致死疾病之一，严重危害着人类的健康与发展，受到世界卫生组织的高度重视，将其列为全组织亟待解决的难题之一。其中，脑卒中是全球最常见，也是最严重的心脑血管疾病。颅内动脉粥样硬化是导致脑卒中的重要原因，其影像表现为颅内动脉粥样硬化斑块。通过医学影像技术获取的斑块图像可用于斑块病理性质与稳定性评估，对缺血性脑卒中疾病的二级预防起着至关重要的作用。
颅内动脉血管结构复杂、走行迂曲、位置较深、管径细小，高分辨率核磁共振成像(High-Resolution Magnetic Resonance Imaging,HRMRI)提高了空间分辨率以更加清晰地显示病灶区域，能够有效排除潜在信号干扰因素，如血流、呼吸、患者不自主移动等；能够清楚地显示病变血管管壁结构和实现斑块直接成像；能够检测与判断斑块成分，可鉴别易损斑块。3.0T HRMRI中的“黑血”技术能够清晰地显示动脉血管壁及斑块的形态特征，是目前颅内动脉血管狭窄症影像检测的重要方法。
传统的诊断过程中，医生主要通过矢状面、冠状面和横断面三种二维断层影像实现颅内动脉粥样硬化斑块的观察与分析，这种根据二维图像序列信息诊断病情的方式不仅费时费力，还容易出现漏诊与误诊的情况。
发明内容
本申请实施例提供了一种HRMR图像分割与三维重建的方法及电子设备，用于提高斑块与病变动脉血管定位的准确性以及分割结果的精准度。
有鉴于此，本发明第一方面提供了一种HRMR图像分割与三维重建的方法，可以包括：
获取待分割的颅内HRMR图像；
在所述待分割的颅内HRMR图像中提取粥样硬化斑块所在的感兴趣区域；
对所述感兴趣区域采用双核NLM算法进行降噪处理，得到降噪后的图像；
对所述降噪后的图像采用基于平滑梯度图的方法进行图像边缘增强，得到边缘增强后的图像；
采用显著性检测方法对所述边缘增强后的图像进行斑块定位，得到斑块定位图像；
采用动态自适应区域生长方法对所述斑块定位图像进行斑块分割，得到斑块分割图像；
采用基于水平集的LSACM方法对所述颅内HRMR图像进行动脉血管分割，得到动脉血管分割图像；
将所述斑块分割图像和所述动脉血管分割图像进行融合，得到融合图像；
根据所述斑块分割图像、所述动脉血管分割图像和所述融合图像，进行三维重建，得到三维重建后的图像。
可选的，在本发明的一些实施例中，
所述对所述感兴趣区域采用双核NLM算法进行降噪处理，得到降噪后的图像，包括：
通过公式一计算所述感兴趣区域中各图像块与中心像素点所在图像块之间的相似权值w(i,j)；
所述公式一为：
其中，Ωi、Ωj分别为以i、j为中心邻域内大小相等的图像块；d(i,j)为欧氏距离；h1、h2为控制图像平滑度的参数；h2＝2×σ2、σ取值为3；α为标准差；S(·)为中心像素点的灰度值；
根据所述相似权值与所述待分割的颅内HRMR图像通过公式二，计算得到降噪后的图像；
所述公式二为：
其中，为降噪后像素点i的灰度估计值，w(i,j)为衡量i、j之间相似程度的权值。
可选的，在本发明的一些实施例中，
所述对所述降噪后的图像采用基于平滑梯度图的方法进行图像边缘增强，得到边缘增强后的图像，包括：
计算所述降噪后的图像的sobel梯度图Is；
采用0.04E对所述sobel梯度图进行平滑处理，得到平滑梯度图，其中，E为5*5的单位矩阵；
从所述平滑梯度图中找到最大梯度值，并遍历所述平滑梯度图中得到各梯度值与所述最大梯度值的比值，找到比值大于0.5所对应的原图像素点；
将所述比值大于0.5所对应的原图像素点的灰度值均扩大为原来的1.24倍，得到边缘增强后的图像。
可选的，在本发明的一些实施例中，
所述采用显著性检测方法对所述边缘增强后的图像进行斑块定位，得到斑块定位图像，包括：
对所述边缘增强后的图像，通过高斯金字塔低通滤波器提取出亮度特征图；
对所述边缘增强后的图像，利用二维Gabor滤波器提取出方位特征图；
对所述亮度特征图使用马尔科夫链，通过公式三和公式四生成相应的第一激活图；
其中，由公式三求出所述亮度特征图中任意两点之间的差异性，获得全连接图，所述全连接图的顶点为灰度图各像素点；
所述公式三为：
式中：M(i,j)、M(p,q)分别代表节点(i,j)、节点(p,q)的灰度值；
所述全连接图中的边对应的值为两顶点之间的权重w，两顶点间的灰度差异和距离大小决定w的取值，w的计算公式为：
w((i,j),(p,q))＝d((i,j)||(p,q))·F(i-p,j-q)
所述公式四为：
式中：κ取值为19.8；
对所述方位特征图采用马尔科夫链，计算得到第二激活图，通过公式五得到第二权重；
所述公式五为：wn((i,j),(p,q))＝A(p,q)·F(i-p,j-q)，
其中，A(p,q)为平衡分布图中节点(p,q)的像素值；
对所述第一激活图和所述第二激活图经过归一化处理后合，得到显著图像；
对所述显著图像进行腐蚀操作，得到腐蚀图像；
膨胀所述腐蚀图像，得到开重建后的图像；
根据所述开重建后的图像，得到二值图像；
计算所述二值图像对应于所述显著图像中各候选区域的平均灰度值；
将所述各候选区域的平均灰度值进行归一化处理，选出平均灰度值大于0.5的区域，得到斑块定位图像。
可选的，在本发明的一些实施例中，
所述采用动态自适应区域生长方法对所述斑块定位图像进行斑块分割，得到斑块分割图像，包括：
计算所述斑块定位图像中目标区域的质心点，用有色星号标记，作为斑块分割的种子点；
将所述斑块分割的种子点及所述斑块分割的种子点的8邻域像素点设置为初始的生长区域S0，计算出所述初始的生长区域S0内的所有像素点灰度均值m0和动态差D0；
进行n次生长，每次生长过程中逐行依次遍历所述斑块定位图像中每个像素点，判断第一像素点灰度值是否在阈值范围Ωn当中；
其中，所述阈值范围Ωn为公式六所示，所述公式六为:
Ωn＝[mn-1-θDn-1,mn-1+θDn-1]
其中，θ为生长因子，x1，x2，…，xn为第n-1次遍历后已生长区域各像素点的灰度值；
若在则将所述第一像素点加入所述初始的生长区域，得到已生长区域Sn；
计算所述已生长区域Sn的灰度均值mn和动态差Dn，将所述灰度均值mn和动态差Dn用作第n+1生长的约束条件，进行下一次遍历生长；
当已生长区域Sn不变或生长次数达到设定的先验值，停止生长，确定所述已生长区域Sn为斑块分割图像。
可选的，在本发明的一些实施例中，
所述采用基于水平集的LSACM方法对所述颅内HRMR图像进行动脉血管分割，得到动脉血管分割图像，包括：
对所述颅内HRMR图像设置LSACM模型的初始化曲线：对于有斑块的动脉血管图像，去除管腔内斑块区域，将分割所得的斑块边缘作为模型的初始化曲线；对于血管内部无斑块的动脉血管图像，利用相邻层有斑块动脉血管图像分割结果的质心所在坐标为原点，半径为2像素的圆作为模型的初始化曲线；
初始化参数i＝1,2，其中，为有偏场，为标准方差，并初始化水平集函数φl＝φ0，其中，φ0为分割得到的斑块轮廓曲线；
根据公式七更新分段常数
所述公式七为：
其中，y表示以x为中心，ρ为半径里滑动框里的像素点；B为有偏场；φ(·)为水平集函数；
根据公式八更新所述有偏场
所述公式八为：
根据公式九更新方差
所述公式九为：
根据公式十更新
所述公式十为：
根据公式十一演化所述水平集函数：
所述公式十一为：
根据公式十二正则化所述水平集函数：
所述公式十二为：
其中，Δt的取值范围为：0≤Δt≤0.25；
判断φl+1收敛与否，如果收敛则停止演化，确定当前图像为动脉血管分割图像；如果不收敛，令l＝l+1，转回所述公式七。
可选的，在本发明的一些实施例中，
所述根据所述斑块分割图像、所述动脉血管分割图像和所述融合图像，进行三维重建，包括：
使用Ray Casting算法对所述斑块分割图像、所述动脉血管分割图像和所述融合图像进行三维重建。
可选的，在本发明的一些实施例中，所述方法还包括：
显示所述三维重建后的图像。
本发明实施例第二方面提供一种电子设备，具有实现对应于上述第一方面提供的提高斑块与病变动脉血管定位的准确性以及分割结果的精准度的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
本发明实施例第三方面提供一种电子设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如第一方面及第一方面任一可选方式中所述的HRMR图像分割与三维重建的方法的步骤。
本发明实施例第四方面提供一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面及第一方面任一可选方式中所述的HRMR图像分割与三维重建的方法的步骤。
从以上技术方案可以看出，本申请实施例具有以下优点：
在本发明实施例中，获取待分割的颅内HRMR图像；在所述待分割的颅内HRMR图像中提取粥样硬化斑块所在的感兴趣区域；对所述感兴趣区域采用双核NLM算法进行降噪处理，得到降噪后的图像；对所述降噪后的图像采用基于平滑梯度图的方法进行图像边缘增强，得到边缘增强后的图像；采用显著性检测方法对所述边缘增强后的图像进行斑块定位，得到斑块定位图像；采用动态自适应区域生长方法对所述斑块定位图像进行斑块分割，得到斑块分割图像；采用基于水平集的LSACM方法对所述颅内HRMR图像进行动脉血管分割，得到动脉血管分割图像；将所述斑块分割图像和所述动脉血管分割图像进行融合，得到融合图像；根据所述斑块分割图像、所述动脉血管分割图像和所述融合图像，进行三维重建，得到三维重建后的图像。提高斑块与病变动脉血管定位的准确性以及分割结果的精准度。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，还可以根据这些附图获得其它的附图。
图1为本发明实施例中HRMR图像分割与三维重建的方法的实施例示意图；
图2为本发明实施例中图像预处理的示意图；
图3为本发明实施例中图像预处理和斑块定位与分割流程示意图；
图4为本发明实施例中斑块分割图像与6种算法分割图像的对比图；
图5为本发明实施例中含斑块的动脉血管图像去除斑块区域后分割结果对比图；
图6为本发明实施例中不含斑块的动脉血管分割流程示意图；
图7为本发明实施例中大脑中动脉粥样硬化斑块图像中斑块分割结果与去除斑块后动脉血管分割结果相加得到的融合图像通过光线投射算法进行三维重建及可视化结果的示意图；
图8为本发明实施例中大脑中动脉粥样硬化斑块图像三维重建及可视化结果与图像序列中任意一张图像的吻合情况的示意图；
图9为本发明实施例中基底动脉粥样硬化斑块图像中斑块分割结果与去除斑块后动脉血管分割结果相加得到的融合图像通过光线投射算法进行三维重建及可视化结果的示意图；
图10为本发明实施例中基底动脉粥样硬化斑块图像三维重建及可视化结果与图像序列中任意一张图像的吻合情况的示意图；
图11A为本发明实施例中电子设备的一个实施例示意图；
图11B为本发明实施例中电子设备的另一个实施例示意图。
具体实施方式
本申请实施例提供了一种HRMR图像分割与三维重建的方法及电子设备，用于提高斑块与病变动脉血管定位的准确性以及分割结果的精准度。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，都应当属于本申请保护的范围。
下面以实施例的方式，对本发明技术方案做进一步的说明，如图1所示，为本发明实施例中HRMR图像分割与三维重建的方法的实施例示意图，可以包括：
101、获取待分割的颅内HRMR图像。
本发明实施例中，电子设备获取待分割的颅内HRMR图像。如图2所示，为本发明实施例中图像预处理的示意图。在图2中的(a)所示中，为待分割的颅内HRMR图像的示意图。
示例性的，电子设备可以包括一般的手持电子终端，诸如智能电话、便携式终端、终端、个人数字助理(Personal Digital Assistant，PDA)、便携式多媒体播放器(PersonalMedia Player，PMP)装置、笔记本电脑、笔记本(Note Pad)、无线宽带(WirelessBroadband，Wibro)终端、平板电脑(personal computer，PC)和智能PC。本申请还可应用于非便携式电子装置，诸如提供显示功能的智能电视等。
102、在待分割的颅内HRMR图像中提取粥样硬化斑块所在的感兴趣区域。
103、对感兴趣区域采用双核NLM算法进行降噪处理，得到降噪后的图像。
电子设备对感兴趣区域采用双核NLM算法进行降噪处理，得到降噪后的图像，可以包括：
步骤(1)，通过公式一计算感兴趣区域中各图像块与中心像素点所在图像块之间的相似权值w(i,j)。
该公式一为：
其中，Ωi、Ωj分别为以i、j为中心邻域内大小相等的图像块；d(i,j)为欧氏距离；h1、h2为控制图像平滑度的参数；通过大量实验发现平滑参数h1、h2以及参数均与噪声方差σ有关，分别为2×σ2、2×σ；因为实验数据噪声污染程度大致相同，通过反复实验、调参，σ取值为3；α为标准差；S(·)为中心像素点的灰度值。
需要说明的是，相似权值w(i,j)是正弦函数与指数函数的乘积，有效地避免了指数函数加权不足和正弦函数过加权问题，提高算法的去噪效果，实现很好的去噪保边效果。
步骤(2)，根据相似权值与待分割的颅内HRMR图像通过公式二，计算得到降噪后的图像。
公式二为：
其中，为去除噪声后像素点i的灰度估计值，w(i,j)为衡量i、j之间相似程度的权值。
104、对降噪后的图像采用基于平滑梯度图的方法进行图像边缘增强，得到边缘增强后的图像。
在图2中的(b)所示中，为经过图像去噪和边缘增强的图像示意图。
电子设备对降噪后的图像采用基于平滑梯度图的方法进行图像边缘增强，得到边缘增强后的图像，可以包括：
步骤(1)，计算降噪后的图像的sobel梯度图Is。
步骤(2)，采用0.04E对sobel梯度图像进行平滑处理，，得到平滑梯度图，其中，E为5*5的单位矩阵；对sobel梯度图进行平滑处理可得到更高的弱边缘覆盖率。
在图2中的(c)所示中，为梯度图的示意图。在图2中的(d)所示中，为平滑梯度图的示意图。
步骤(3)，从该平滑梯度图中找到图像最大梯度值，并遍历平滑梯度图中得到各梯度值与最大梯度值的比值，找到比值大于0.5所对应的原图像素点；
步骤(4)，将比值大于0.5所对应的原图像素点的灰度值均扩大为原来的1.24倍，最后得到边缘增强后的图像。
需要说明的是，利用0.04E对sobel梯度图像进行平滑处理得到平滑梯度图，E为5*5的单位矩阵；然后求得梯度图中各梯度值与最大梯度值的比值，将比值大于0.5的像素在原图中对应像素灰度值扩大为原来的1.24倍，能够得到较好的弱边缘增强效果。
105、采用显著性检测方法对边缘增强后的图像进行斑块定位，得到斑块定位图像。
电子设备采用显著性检测方法对边缘增强后的图像进行斑块定位，得到斑块定位图像，可以包括：
步骤(1)，对边缘增强后的图像，通过高斯金字塔低通滤波器提取出其亮度特征图，利用二维Gabor滤波器提取出其方位特征图。
步骤(2)，对亮度特征图使用马尔科夫链，通过公式三和公式四生成相应的第一激活图。
第一激活图会着重突显出亮度特征图中与周围邻域相差比较大的节点，两节点间相似程度计算公式如下公式三所示：
公式三为：
其中，M(i,j)、M(p,q)分别代表节点(i,j)、节点(p,q)的灰度值。由公式三可求出亮度特征图中任意两点之间的差异性，获得全连接图，全连接图的顶点就是灰度图各像素点。
全连接图中的边对应的值为两顶点之间的权重w。两点间的灰度差异和距离大小决定w的取值，w的计算公式为公式四：
w((i,j),(p,q))＝d((i,j)||(p,q))·F(i-p,j-q)
公式四为：
其中，κ是一个自由参数，一般取值为目标图像宽度的0.1倍，实验所用图像宽度都是198像素，即目标图像宽度为198像素，故κ取19.8。
步骤(3)，为了显著点能够更集中、更突出，对方位特征图采用马尔科夫链计算，通过公式五得到第二激活图。
公式五为：wn((i,j),(p,q))＝A(p,q)·F(i-p,j-q)，
其中，A(p,q)为平衡分布图中节点(p,q)的像素值。
步骤(4)，对第一激活图和第二激活图进行处理，得到显著图像。
即将亮度特征通道与方位特征通道分别计算得到的激活图像经过归一化处理后合并成最终的显著图像。
步骤(5)，对显著图像进行腐蚀操作，得到腐蚀图像。
可以使用一个盘状结构尺寸大小为30像素的结构元素对显著图像进行腐蚀操作，得到腐蚀图像Ie。
步骤(6)，膨胀腐蚀图像，得到开重建后的图像。
反复膨胀腐蚀图像Ie，直到与原显著图相吻合，可得开重建后的图像Id。
步骤(7)，通过开重建后的图像得到二值图像。
遍历开重建后的图像Id中的各像素点，将与8邻域相比中心像素点灰度值最大的像素点设置为1，其它像素点灰度值设置为0，即可得到一幅二值图像。
步骤(8)，计算二值图像对应于显著图像中各候选区域的平均灰度值。
步骤(9)，将各候选区域的平均灰度值进行归一化处理，选出平均灰度值大于0.5的区域，得到斑块定位图像。
106、采用动态自适应区域生长方法对斑块定位图像进行斑块分割，得到斑块分割图像。
采用动态自适应区域生长方法对斑块定位图像进行斑块分割，得到斑块分割图像，可以包括：
步骤(1)，计算斑块定位图像中目标区域的质心点，用有色星号标记，作为斑块分割的种子点；
步骤(2)，将斑块分割的种子点及其8邻域像素点设置为初始的生长区域S0，计算出初始的生长区域S0内的所有像素点灰度均值m0和动态差D0。
步骤(3)，进行n次生长，每次生长过程中逐行依次遍历斑块定位图像中每个像素点，判断第一像素点灰度值是否在阈值范围Ωn当中。
可生长像素点的阈值范围Ωn表示如公式六所示：
Ωn＝[mn-1-θDn-1,mn-1+θDn-1]
公式六为：
其中，θ为生长因子，取值为0.3537时斑块分割精度最高；x1，x2，…，xn为第n-1次遍历后已生长区域各像素点的灰度值。
步骤(4)，若在则将第一像素点加入初始的生长区域S0，可得到每次生长后的已生长区域Sn。
步骤(5)，当第n次生长完成后，计算出已生长区域Sn的灰度均值mn和动态差Dn，将灰度均值mn和动态差Dn用作第n+1生长的约束条件，进行下一次遍历生长；
步骤(6)，重复步骤(3)、(4)、(5)，直到已生长区域Sn不变或生长次数已经达到设定的先验值，即停止生长，确定已生长区域Sn为斑块分割图像。
需要说明的是，动态自适应区域生长的可生长像素点的阈值范围Ωn是每生长一个像素点后就计算一次已生长区域Sn所有像素点的灰度均值mn和动态差Dn，作为下一次生长的约束条件，继续生长。如果将图像中所有像素点一次遍历完成后再计算灰度均值mn和动态差Dn，会导致Ωn不能及时更新，使得斑块内部出现小孔和欠分割现象。
图3为本发明实施例中图像预处理和斑块定位与分割流程示意图。包括图像读取、感兴趣区域提取、图像预处理、斑块定位、斑块分割以及分割结果与金标准(Ground Truth,GT)图像对比几部分。
图4为本发明实施例中斑块分割图像与6种算法分割图像的对比图。宋方法、翟方法均是动态自适应区域生长算法，本方法是在宋方法的基础上改进所得；Bharath方法是一种基于图割的方法；FRFCM是一种快速的模糊C均值聚类方法；LSACM方法是一种基于水平集的图像分割方法。
第一行是随机抽取的6个患者的图像序列中任意一张图像，第二行是预处理后的图像，第三行的专家手动勾画的GT图像，第四行是本发明斑块分割所得图像，第五行和第六行的基于动态自适应区域生长算法的宋方法和翟方法分割图像，第七行是基于图割的Bharath方法分割图像，第八行是快速模糊C均值聚类(FRFCM)的分割图像，最后一行是基于水平集的LSACM方法的分割图像。通过分析可知，本发明更适用于颅内动脉斑块图像的分割，原因有以下两点：(1)受图像噪声以及斑块内新生血管影响，斑块图像灰度分布不均匀，采用翟方法、宋方法，分割所得斑块图像内部易出现小孔(可见于图4中第一列第五、第六幅图像)；(2)由于成像等原因以及斑块的结构特征，HRMR图像中斑块边界模糊，特别是基底动脉血管内的斑块图像。翟方法、宋方法、Bharath方法和FRFCM方法对模糊边界的处理能力较弱。
图5为本发明实施例中含斑块的动脉血管图像去除斑块区域后分割结果对比图。前三列分别为不同手动初始化，LSACM动脉血管分割结果。最后一列为将斑块边缘作为初始化轮廓，使用LSACM模型进行演化得到的动脉血管分割结果。可以看出，原始的LSACM模型需要手动设置初始化轮廓，图5(a)显示只有初始轮廓直径较小，且刚好位于颅内动脉血管内，才能取得较好地分割结果，原始的LSACM模型手动初始化演化曲线使得分割效率低、分割精度差，还可能出现分割失败等现象。根据病理学先验知识可知斑块均位于病变颅内动脉血管内，所以本文将斑块分割结果设置为斑块所在动脉血管的初始化曲线，然后再采用LSACM模型进行曲线演化，完成了颅内病变动脉血管自动定位和分割。
图6为本发明实施例中不含斑块的动脉血管分割流程示意图。利用相邻层有斑块动脉血管图像分割结果的质心所在坐标为原点，半径为2像素的圆作为初始化曲线，利用LSACM模型进行演化分割出动脉血管区域，再进一步引导下一层无斑块动脉血管图像的分割。
107、采用基于水平集的LSACM方法对颅内HRMR图像进行动脉血管分割，得到动脉血管分割图像。
采用基于水平集的LSACM方法对颅内HRMR图像进行动脉血管分割，得到动脉血管分割图像，可以包括：
步骤(1)，对颅内HRMR图像设置LSACM模型的初始化曲线：
第一种实现方式：对于血管内部有斑块的动脉血管图像，去除管腔内斑块区域，将分割所得的斑块边缘作为模型的初始化曲线；
需要说明的是，HRMR图像动脉血管较多、形状复杂，利用斑块位于病变动脉血管内的病理学先验知识，将斑块边缘直接作为LSACM模型的初始化轮廓进行演化，实现病变动脉血管的分割，解决了病变动脉血管定位难、手动初始化问题，实现了病变动脉血管分割的自动化。
第二种实现方式：对于血管内部无斑块的动脉血管图像，利用相邻层有斑块动脉血管图像分割结果的质心所在坐标为原点，半径为2像素的圆作为模型的初始化曲线。
步骤(2)，初始化参数i＝1,2，其中，为有偏场，为标准方差，并初始化水平集函数φl＝φ0，其中，φ0为步骤106中分割得到的斑块轮廓曲线。
步骤(3)，根据公式七更新分段常数
公式七为：
其中，y表示以x为中心，ρ为半径里滑动框里的像素点；B为有偏场；φ(·)为水平集函数；
步骤(4)，根据公式八更新有偏场
公式八为：
步骤(5)，根据公式九更新方差
公式九为：
步骤(6)，根据公式十更新
公式十为：
步骤(7)，根据公式十一演化水平集函数：
公式十一为：
步骤(8)，根据公式十二正则化水平集函数：
公式十二为：
式中：根据标准的冯诺依曼分析可以得出扩散强度Δt的取值范围为：0≤Δt≤0.25；
步骤(9)，判断φl+1收敛与否，如果收敛则停止演化，确定当前图像为动脉血管分割图像；如果不收敛，令l＝l+1，转回步骤(3)。
需要说明的是，步骤107与步骤102-106的时序不做限定。
108、将斑块分割图像和动脉血管分割图像进行融合，得到融合图像。
斑块区域灰度值设置为250，与动脉血管分割图像相加得到融合图像，灰度值小于250的区域，除了背景区域，其它全是动脉血管区域。
109、根据斑块分割图像、动脉血管分割图像和融合图像，进行三维重建，得到三维重建后的图像。
电子设备根据斑块分割图像、动脉血管分割图像和融合图像，进行三维重建，可以包括：
使用Ray Casting算法对斑块分割图像、动脉血管分割图像和融合图像进行三维重建。
进一步的，具体可以包括：
步骤(1)，利用VTK提供的vtkBMPReader()读取斑块分割图像和动脉血管分割图像的各自图像序列；
步骤(2)，利用VTK提供的vtkPiecewiseTransferFunction()与vtkColorTransferFunction()，对相加所得的融合图像中斑块和动脉血管赋予不同的阻光度(不透明度)和颜色值，使得整体的层次结构更加清晰。将灰度值在5到250之间(不包含250)的体素阻光度赋值为0.2，灰度值大于等于250的体素阻光度赋值为0.8，其它的阻光度赋值为0，即可以透过动脉血管看到内部的斑块，以及二者的位置关系；
步骤(3)，利用VTK中提供的函数SetInterpolationTypeToLinear()进行三次线性插值来计算重采样点的阻光度和颜色值。
110、显示三维重建后的图像。
利用VTK中体绘制类vtkVolumeRayCastCompositeFunction根据各重采样点的属性进行图像合成，并将合成结果呈现在显示屏幕上。
可以理解的是，采用从前往后方法进行图像合成，其数学公式表示如公式十三：
Coutαout＝Cinαin+Cnowαnow(1-αin)
公式十三为：αout＝αin+αnow(1-αin)，
其中，Cnow、αnow为当前体素的颜色值与阻光度值；Cin、αin为进入当前体素前上个体素合成后的颜色值和阻光度值；Cout、αout为当前体素合成后输出到下个体素的颜色值和阻光度值。
需要说明的是，利用分割所得的斑块图像和动脉血管图像的融合图像通过基于VTK的光线投射算法进行三维重建，设置动脉血管的阻光度为0.2，斑块的阻光度为0.8，可视化呈现斑块在动脉血管中的位置信息和形状结构信息。
图7为本发明实施例中大脑中动脉粥样硬化斑块图像中斑块分割结果与去除斑块后动脉血管分割结果相加得到的融合图像通过光线投射算法进行三维重建及可视化结果的示意图。
图8为本发明实施例中大脑中动脉粥样硬化斑块图像三维重建及可视化结果与图像序列中任意一张图像的吻合情况的示意图。
图9为本发明实施例中基底动脉粥样硬化斑块图像中斑块分割结果与去除斑块后动脉血管分割结果相加得到的融合图像通过光线投射算法进行三维重建及可视化结果的示意图。
图10为本发明实施例中基底动脉粥样硬化斑块图像三维重建及可视化结果与图像序列中任意一张图像的吻合情况的示意图。
在本发明实施例中，将病变部位进行精准分割、三维重建及可视化已经成为医学图像处理领域的研究重点。通过旋转、测量等可视化操作，可以更加形象、直观、全方位地观察病灶。基于HRMR图像的颅内动脉粥样硬化斑块的分割与三维可视化可以避免不同医生诊断结果的主观差异性，进一步提高诊断效率与准确度，是计算机辅助诊断(Computer AidedDiagnosis,CAD)领域的重要应用。计算机图像处理技术辅助颅内狭窄症的临床诊断与治疗具有深远的研究意义和极其重要的实用价值。
如图11A所示，为本发明实施例中电子设备的一个实施例示意图，可以包括：
获取模块1101，用于获取待分割的颅内HRMR图像；
处理模块1102，用于在待分割的颅内HRMR图像中提取粥样硬化斑块所在的感兴趣区域；对感兴趣区域采用双核NLM算法进行降噪处理，得到降噪后的图像；对降噪后的图像采用基于平滑梯度图的方法进行图像边缘增强，得到边缘增强后的图像；采用显著性检测方法对边缘增强后的图像进行斑块定位，得到斑块定位图像；采用动态自适应区域生长方法对斑块定位图像进行斑块分割，得到斑块分割图像；将斑块分割图像和动脉血管分割图像进行融合，得到融合图像；根据斑块分割图像、动脉血管分割图像和融合图像，进行三维重建，得到三维重建后的图像。
可选的，在本发明的一些实施例中，
处理模块1102，具体用于通过公式一计算感兴趣区域中各图像块与中心像素点所在图像块之间的相似权值w(i,j)；
公式一为：
其中，Ωi、Ωj分别为以i、j为中心邻域内大小相等的图像块；d(i,j)为欧氏距离；h1、h2为控制图像平滑度的参数；h2＝2×σ2、σ取值为3；α为标准差；S(·)为中心像素点的灰度值；
根据相似权值与待分割的颅内HRMR图像通过公式二，计算得到降噪后的图像；
公式二为：
其中，为降噪后像素点i的灰度估计值，w(i,j)为衡量i、j之间相似程度的权值。
可选的，在本发明的一些实施例中，
处理模块1102，具体用于计算降噪后的图像的sobel梯度图Is；
采用0.04E对sobel梯度图进行平滑处理，得到平滑梯度图，其中，E为5*5的单位矩阵；
从平滑梯度图中找到最大梯度值，并遍历平滑梯度图中得到各梯度值与最大梯度值的比值，找到比值大于0.5所对应的原图像素点；
将比值大于0.5所对应的原图像素点的灰度值均扩大为原来的1.24倍，得到边缘增强后的图像。
可选的，在本发明的一些实施例中，
处理模块1102，具体用于对边缘增强后的图像，通过高斯金字塔低通滤波器提取出亮度特征图；
对边缘增强后的图像，利用二维Gabor滤波器提取出方位特征图；
对亮度特征图使用马尔科夫链，通过公式三和公式四生成相应的第一激活图；
其中，由公式三求出亮度特征图中任意两点之间的差异性，获得全连接图，全连接图的顶点为灰度图各像素点；
公式三为：
式中：M(i,j)、M(p,q)分别代表节点(i,j)、节点(p,q)的灰度值；
全连接图中的边对应的值为两顶点之间的权重w，两顶点间的灰度差异和距离大小决定w的取值，w的计算公式为：
w((i,j),(p,q))＝d((i,j)||(p,q))·F(i-p,j-q)
公式四为：
式中：κ取值为19.8；
对方位特征图采用马尔科夫链，计算得到第二激活图，通过公式五得到第二权重；
公式五为：wn((i,j),(p,q))＝A(p,q)·F(i-p,j-q)，
其中，A(p,q)为平衡分布图中节点(p,q)的像素值；
对第一激活图和第二激活图经过归一化处理后合，得到显著图像；
对显著图像进行腐蚀操作，得到腐蚀图像；
膨胀腐蚀图像，得到开重建后的图像；
根据开重建后的图像，得到二值图像；
计算二值图像对应于显著图像中各候选区域的平均灰度值；
将各候选区域的平均灰度值进行归一化处理，选出平均灰度值大于0.5的区域，得到斑块定位图像。
可选的，在本发明的一些实施例中，
处理模块1102，具体用于计算斑块定位图像中目标区域的质心点，用有色星号标记，作为斑块分割的种子点；
将斑块分割的种子点及斑块分割的种子点的8邻域像素点设置为初始的生长区域S0，计算出初始的生长区域S0内的所有像素点灰度均值m0和动态差D0；
进行n次生长，每次生长过程中逐行依次遍历斑块定位图像中每个像素点，判断第一像素点灰度值是否在阈值范围Ωn当中；
其中，阈值范围Ωn为公式六所示，公式六为:
Ωn＝[mn-1-θDn-1,mn-1+θDn-1]
其中，θ为生长因子，x1，x2，…，xn为第n-1次遍历后已生长区域各像素点的灰度值；
若在则将第一像素点加入初始的生长区域，得到已生长区域Sn；
计算已生长区域Sn的灰度均值mn和动态差Dn，将灰度均值mn和动态差Dn用作第n+1生长的约束条件，进行下一次遍历生长；
当已生长区域Sn不变或生长次数达到设定的先验值，停止生长，确定已生长区域Sn为斑块分割图像。
可选的，在本发明的一些实施例中，
处理模块1102，具体用于对颅内HRMR图像设置LSACM模型的初始化曲线：对于有斑块的动脉血管图像，去除管腔内斑块区域，将分割所得的斑块边缘作为模型的初始化曲线；对于血管内部无斑块的动脉血管图像，利用相邻层有斑块动脉血管图像分割结果的质心所在坐标为原点，半径为2像素的圆作为模型的初始化曲线；
初始化参数i＝1,2，其中，为有偏场，为标准方差，并初始化水平集函数φl＝φ0，其中，φ0为分割得到的斑块轮廓曲线；
根据公式七更新分段常数
公式七为：
其中，y表示以x为中心，ρ为半径里滑动框里的像素点；B为有偏场；φ(·)为水平集函数；
根据公式八更新有偏场
公式八为：
根据公式九更新方差
公式九为：
根据公式十更新
公式十为：
根据公式十一演化水平集函数：
公式十一为：
根据公式十二正则化水平集函数：
公式十二为：
其中，Δt的取值范围为：0≤Δt≤0.25；
判断φl+1收敛与否，如果收敛则停止演化，确定当前图像为动脉血管分割图像；如果不收敛，令l＝l+1，转回公式七。
可选的，在本发明的一些实施例中，
处理模块1102，具体用于使用Ray Casting算法对斑块分割图像、动脉血管分割图像和融合图像进行三维重建。
如图11B所示，为本发明实施例中电子设备的另一个实施例示意图，还可以包括：
显示模块，用于显示三维重建后的图像。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种HRMR图像分割与三维重建的方法，其特征在于，包括：
获取待分割的颅内HRMR图像；
在所述待分割的颅内HRMR图像中提取粥样硬化斑块所在的感兴趣区域；
对所述感兴趣区域采用双核NLM算法进行降噪处理，得到降噪后的图像；
对所述降噪后的图像采用基于平滑梯度图的方法进行图像边缘增强，得到边缘增强后的图像；
采用显著性检测方法对所述边缘增强后的图像进行斑块定位，得到斑块定位图像；
采用动态自适应区域生长方法对所述斑块定位图像进行斑块分割，得到斑块分割图像；
采用基于水平集的LSACM方法对所述颅内HRMR图像进行动脉血管分割，得到动脉血管分割图像；
将所述斑块分割图像和所述动脉血管分割图像进行融合，得到融合图像；
根据所述斑块分割图像、所述动脉血管分割图像和所述融合图像，进行三维重建，得到三维重建后的图像。
2.根据权利要求1所述的方法，其特征在于，所述对所述感兴趣区域采用双核NLM算法进行降噪处理，得到降噪后的图像，包括：
通过公式一计算所述感兴趣区域中各图像块与中心像素点所在图像块之间的相似权值w(i,j)；
所述公式一为：
其中，Ωi、Ωj分别为以i、j为中心邻域内大小相等的图像块；d(i,j)为欧氏距离；h1、h2为控制图像平滑度的参数；h2＝2×σ2、σ取值为3；α为标准差；S(·)为中心像素点的灰度值；
根据所述相似权值与所述待分割的颅内HRMR图像通过公式二，计算得到降噪后的图像；
所述公式二为：
其中，为降噪后像素点i的灰度估计值，w(i,j)为衡量i、j之间相似程度的权值。
3.根据权利要求1或2所述的方法，其特征在于，所述对所述降噪后的图像采用基于平滑梯度图的方法进行图像边缘增强，得到边缘增强后的图像，包括：
计算所述降噪后的图像的sobel梯度图Is；
采用0.04E对所述sobel梯度图进行平滑处理，得到平滑梯度图，其中，E为5*5的单位矩阵；
从所述平滑梯度图中找到最大梯度值，并遍历所述平滑梯度图中得到各梯度值与所述最大梯度值的比值，找到比值大于0.5所对应的原图像素点；
将所述比值大于0.5所对应的原图像素点的灰度值均扩大为原来的1.24倍，得到边缘增强后的图像。
4.根据权利要求1或2所述的方法，其特征在于，所述采用显著性检测方法对所述边缘增强后的图像进行斑块定位，得到斑块定位图像，包括：
对所述边缘增强后的图像，通过高斯金字塔低通滤波器提取出亮度特征图；
对所述边缘增强后的图像，利用二维Gabor滤波器提取出方位特征图；
对所述亮度特征图使用马尔科夫链，通过公式三和公式四生成相应的第一激活图；
其中，由公式三求出所述亮度特征图中任意两点之间的差异性，获得全连接图，所述全连接图的顶点为灰度图各像素点；
所述公式三为：
式中：M(i,j)、M(p,q)分别代表节点(i,j)、节点(p,q)的灰度值；
所述全连接图中的边对应的值为两顶点之间的权重w，两顶点间的灰度差异和距离大小决定w的取值，w的计算公式为：
w((i,j),(p,q))＝d((i,j)||(p,q))·F(i-p,j-q)
所述公式四为：
式中：κ取值为19.8；
对所述方位特征图采用马尔科夫链，计算得到第二激活图，通过公式五得到第二权重；
所述公式五为：wn((i,j),(p,q))＝A(p,q)·F(i-p,j-q)，
其中，A(p,q)为平衡分布图中节点(p,q)的像素值；
对所述第一激活图和所述第二激活图经过归一化处理后合，得到显著图像；
对所述显著图像进行腐蚀操作，得到腐蚀图像；
膨胀所述腐蚀图像，得到开重建后的图像；
根据所述开重建后的图像，得到二值图像；
计算所述二值图像对应于所述显著图像中各候选区域的平均灰度值；
将所述各候选区域的平均灰度值进行归一化处理，选出平均灰度值大于0.5的区域，得到斑块定位图像。
5.根据权利要求1所述的方法，其特征在于，所述采用动态自适应区域生长方法对所述斑块定位图像进行斑块分割，得到斑块分割图像，包括：
计算所述斑块定位图像中目标区域的质心点，用有色星号标记，作为斑块分割的种子点；
将所述斑块分割的种子点及所述斑块分割的种子点的8邻域像素点设置为初始的生长区域S0，计算出所述初始的生长区域S0内的所有像素点灰度均值m0和动态差D0；
进行n次生长，每次生长过程中逐行依次遍历所述斑块定位图像中每个像素点，判断第一像素点灰度值是否在阈值范围Ωn当中；
其中，所述阈值范围Ωn为公式六所示，所述公式六为:
Ωn＝[mn-1-θDn-1,mn-1+θDn-1]
其中，θ为生长因子，x1，x2，···，xn为第n-1次遍历后已生长区域各像素点的灰度值；
若在则将所述第一像素点加入所述初始的生长区域，得到已生长区域Sn；
计算所述已生长区域Sn的灰度均值mn和动态差Dn，将所述灰度均值mn和动态差Dn用作第n+1生长的约束条件，进行下一次遍历生长；
当已生长区域Sn不变或生长次数达到设定的先验值，停止生长，确定所述已生长区域Sn为斑块分割图像。
6.根据权利要求1所述的方法，其特征在于，所述采用基于水平集的LSACM方法对所述颅内HRMR图像进行动脉血管分割，得到动脉血管分割图像，包括：
对所述颅内HRMR图像设置LSACM模型的初始化曲线：对于有斑块的动脉血管图像，去除管腔内斑块区域，将分割所得的斑块边缘作为模型的初始化曲线；对于血管内部无斑块的动脉血管图像，利用相邻层有斑块动脉血管图像分割结果的质心所在坐标为原点，半径为2像素的圆作为模型的初始化曲线；
初始化参数其中，为有偏场，为标准方差，并初始化水平集函数φl＝φ0，其中，φ0为分割得到的斑块轮廓曲线；
根据公式七更新分段常数
所述公式七为：
其中，y表示以x为中心，ρ为半径里滑动框里的像素点；B为有偏场；φ(·)为水平集函数；
根据公式八更新所述有偏场
所述公式八为：
根据公式九更新方差
所述公式九为：
根据公式十更新
所述公式十为：
根据公式十一演化所述水平集函数：
所述公式十一为：
根据公式十二正则化所述水平集函数：
所述公式十二为：
其中，Δt的取值范围为：0≤Δt≤0.25；
判断φl+1收敛与否，如果收敛则停止演化，确定当前图像为动脉血管分割图像；如果不收敛，令l＝l+1，转回所述公式七。
7.根据权利要求1所述的方法，其特征在于，所述根据所述斑块分割图像、所述动脉血管分割图像和所述融合图像，进行三维重建，包括：
使用Ray Casting算法对所述斑块分割图像、所述动脉血管分割图像和所述融合图像进行三维重建。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
显示所述三维重建后的图像。
9.一种电子设备，其特征在于，包括：
获取模块，用于获取待分割的颅内HRMR图像；
处理模块，用于在所述待分割的颅内HRMR图像中提取粥样硬化斑块所在的感兴趣区域；对所述感兴趣区域采用双核NLM算法进行降噪处理，得到降噪后的图像；对所述降噪后的图像采用基于平滑梯度图的方法进行图像边缘增强，得到边缘增强后的图像；采用显著性检测方法对所述边缘增强后的图像进行斑块定位，得到斑块定位图像；采用动态自适应区域生长方法对所述斑块定位图像进行斑块分割，得到斑块分割图像；将所述斑块分割图像和所述动脉血管分割图像进行融合，得到融合图像；根据所述斑块分割图像、所述动脉血管分割图像和所述融合图像，进行三维重建，得到三维重建后的图像。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的HRMR图像分割与三维重建的方法的步骤。
CN201910396497.6A 2019-05-14 2019-05-14 一种hrmr图像分割与三维重建的方法及电子设备 Pending CN110163872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910396497.6A CN110163872A (zh) 2019-05-14 2019-05-14 一种hrmr图像分割与三维重建的方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910396497.6A CN110163872A (zh) 2019-05-14 2019-05-14 一种hrmr图像分割与三维重建的方法及电子设备

Publications (1)

Publication Number Publication Date
CN110163872A true CN110163872A (zh) 2019-08-23

Family

ID=67634499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910396497.6A Pending CN110163872A (zh) 2019-05-14 2019-05-14 一种hrmr图像分割与三维重建的方法及电子设备

Country Status (1)

Country Link
CN (1) CN110163872A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648290A (zh) * 2019-09-06 2020-01-03 西安交通大学 一种基于sure参数优化的双核非局部均值图像去噪方法
CN110909287A (zh) * 2019-10-30 2020-03-24 广东优世联合控股集团股份有限公司 基于视觉处理的现场素材载入方法、装置及存储介质
CN111062943A (zh) * 2020-03-18 2020-04-24 南京景三医疗科技有限公司 斑块稳定性的确定方法、装置及医疗设备
CN113643353A (zh) * 2020-09-04 2021-11-12 深圳硅基智能科技有限公司 眼底图像的血管管径的增强分辨率的测量方法
CN114049282A (zh) * 2022-01-07 2022-02-15 浙江大学 一种冠状动脉的构建方法、装置、终端及存储介质
CN117934271A (zh) * 2024-03-22 2024-04-26 西安电子科技大学 一种视网膜血管图像的实时处理方法、系统及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110103656A1 (en) * 2009-04-17 2011-05-05 Gheorghe Iordanescu Quantification of Plaques in Neuroimages
CN108932720A (zh) * 2018-07-24 2018-12-04 深圳先进技术研究院 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110103656A1 (en) * 2009-04-17 2011-05-05 Gheorghe Iordanescu Quantification of Plaques in Neuroimages
CN108932720A (zh) * 2018-07-24 2018-12-04 深圳先进技术研究院 一种磁共振图像的颅内斑块和颈动脉斑块智能分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
严静 等: "《基于LGDF模型的粥样硬化斑块HRMR图像分割》", 《自动化仪表》 *
严静 等: "《基于显著性定位和动态自适应区域生长的HRMR图像斑块分割》", 《计算机应用研究》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648290A (zh) * 2019-09-06 2020-01-03 西安交通大学 一种基于sure参数优化的双核非局部均值图像去噪方法
CN110909287A (zh) * 2019-10-30 2020-03-24 广东优世联合控股集团股份有限公司 基于视觉处理的现场素材载入方法、装置及存储介质
CN111062943A (zh) * 2020-03-18 2020-04-24 南京景三医疗科技有限公司 斑块稳定性的确定方法、装置及医疗设备
CN111062943B (zh) * 2020-03-18 2020-06-09 南京景三医疗科技有限公司 斑块稳定性的确定方法、装置及医疗设备
CN113643353A (zh) * 2020-09-04 2021-11-12 深圳硅基智能科技有限公司 眼底图像的血管管径的增强分辨率的测量方法
CN113643353B (zh) * 2020-09-04 2024-02-06 深圳硅基智能科技有限公司 眼底图像的血管管径的增强分辨率的测量方法
CN114049282A (zh) * 2022-01-07 2022-02-15 浙江大学 一种冠状动脉的构建方法、装置、终端及存储介质
CN117934271A (zh) * 2024-03-22 2024-04-26 西安电子科技大学 一种视网膜血管图像的实时处理方法、系统及电子设备

Similar Documents

Publication Publication Date Title
Zreik et al. Deep learning analysis of the myocardium in coronary CT angiography for identification of patients with functionally significant coronary artery stenosis
Saha et al. A survey on skeletonization algorithms and their applications
KR102491988B1 (ko) 정량적 이미징을 이용하기 위한 방법 및 시스템
CN110163872A (zh) 一种hrmr图像分割与三维重建的方法及电子设备
Kreiser et al. A survey of flattening‐based medical visualization techniques
Saha et al. Digital topology and geometry in medical imaging: a survey
Cetin et al. Vessel tractography using an intensity based tensor model with branch detection
Danilov et al. Methods of graph network reconstruction in personalized medicine
Schaap et al. Robust shape regression for supervised vessel segmentation and its application to coronary segmentation in CTA
Xu et al. DeepLN: a framework for automatic lung nodule detection using multi-resolution CT screening images
Kurugol et al. Automated quantitative 3D analysis of aorta size, morphology, and mural calcification distributions
US20160117814A1 (en) Method for distinguishing pulmonary artery and pulmonary vein, and method for quantifying blood vessels using same
Jimenez-Carretero et al. A graph-cut approach for pulmonary artery-vein segmentation in noncontrast CT images
Cohen et al. Segmentation of 3D tubular objects with adaptive front propagation and minimal tree extraction for 3D medical imaging
Babin et al. Skeletonization method for vessel delineation of arteriovenous malformation
Oeltze‐Jafra et al. Generation and visual exploration of medical flow data: Survey, research trends and future challenges
Maiora et al. Abdominal CTA image analisys through active learning and decision random forests: Aplication to AAA segmentation
Xiang et al. Skeleton cuts—An efficient segmentation method for volume rendering
Hepp et al. Fully automated segmentation and shape analysis of the thoracic aorta in non–contrast-enhanced magnetic resonance images of the German National Cohort Study
Eulzer et al. Vessel Maps: A Survey of Map‐Like Visualizations of the Cardiovascular System
Arias Lorza et al. Maximization of regional probabilities using Optimal Surface Graphs: Application to carotid artery segmentation in MRI
Ghaffari et al. Validation of parametric mesh generation for subject-specific cerebroarterial trees using modified Hausdorff distance metrics
Chapman et al. Automated generation of directed graphs from vascular segmentations
Boskamp et al. Geometrical and structural analysis of vessel systems in 3D medical image datasets
Cheng et al. Automatic centerline detection of small three-dimensional vessel structures

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190823